Методи сегментування зображень з безпілотних літальних апаратів на основі k-means та генетичного алгоритму

Автор(и)

  • Ігор Вікторович Рубан Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-4738-3286
  • Геннадій Володимирович Худов Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0002-3311-2848
  • Олександр Миколайович Маковейчук Міжнародний науково-технічний університет імені академіка Юрія Бугая, Україна https://orcid.org/0000-0003-4425-016X
  • Владислав Геннадійович Худов Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-9863-4743
  • Темір Муратович Калімулін Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0002-7636-7218
  • Сергій Іванович Глухов Військовий інститут Київського національного університету імені Тараса Шевченка, Україна https://orcid.org/0000-0002-4918-3739
  • Павло Леонідович Аркушенко Державний науково-дослідний інститут випробувань і сертифікації озброєння та військової техніки, Україна https://orcid.org/0000-0002-1902-696X
  • Тарас Мирославович Кравець Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного, Україна https://orcid.org/0000-0001-5398-7441
  • Ірина Анатоліївна Хижняк Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0003-3431-7631
  • Назар Миколайович Шамрай Військовий інститут Київського національного університету імені Тараса Шевченка, Україна https://orcid.org/0000-0001-8387-3277

DOI:

https://doi.org/10.15587/1729-4061.2022.263387

Ключові слова:

безпілотний літальний апарат, сегментування зображення, експериментальне дослідження, k-means, генетичний алгоритм

Анотація

Об’єктом дослідження є процес сегментування зображень з безпілотних літальних апаратів. Встановлено, що методи сегментування на основі k-means та генетичного алгоритму якісно працюють на зображеннях з космічних систем спостереження. Пропонується використання методів сегментування на основі k-means та генетичного алгоритму для сегментування зображень з безпілотних літальних апаратів. Визначені основні етапи методів сегментування зображень на основі k-means та генетичного алгоритму.

Проведено експериментальне дослідження сегментування зображень з безпілотних літальних апаратів. На відміну від відомих, сегментування зображення методом на основі k-means, яке успішно працює на зображеннях з космічних систем спостереження, не може бути напряму застосовано до сегментування зображення з безпілотних літальних апаратів. На відміну від відомих, сегментування зображення методом на основі генетичного алгоритму, яке успішно працює на зображеннях з космічних систем спостереження, також не може бути напряму застосовано до сегментування зображення з безпілотних літальних апаратів.

Проведено оцінювання якості сегментування зображень з безпілотних літальних апаратів методами на основі k-means та генетичного алгоритму. Встановлено, що:

– середній рівень помилок І роду складає 70 % та 51 % при сегментуванні зображення з безпілотного літального апарату методами на основі k-means та генетичного алгоритму відповідно;

– середній рівень помилок ІІ роду складає 61 % та 43 % при сегментуванні зображення з безпілотного літального апарату методами на основі k-means та генетичного алгоритму відповідно.

Зроблено висновок про подовження подальших досліджень щодо розробки методів сегментування зображень з безпілотних літальних апаратів

Біографії авторів

Ігор Вікторович Рубан, Харківський національний університет радіоелектроніки

Доктор технічних наук, професор, перший проректор

Геннадій Володимирович Худов, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Доктор технічних наук, професор, начальник кафедри

Кафедра тактики радіотехнічних військ

Олександр Миколайович Маковейчук, Міжнародний науково-технічний університет імені академіка Юрія Бугая

Доктор технічних наук, доцент

Кафедра комп’ютерних наук та інженерії програмного забезпечення

Владислав Геннадійович Худов, Харківський національний університет радіоелектроніки

Кандидат технічних наук, молодший науковий співробітник

Кафедра безпеки інформаційних технологій

Темір Муратович Калімулін, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Ад’юнкт

Кафедра тактики радіотехнічних військ

Сергій Іванович Глухов, Військовий інститут Київського національного університету імені Тараса Шевченка

Доктор технічних наук, професор, завідувач кафедри

Кафедра військової та технічної підготовки

Павло Леонідович Аркушенко, Державний науково-дослідний інститут випробувань і сертифікації озброєння та військової техніки

Начальник науково-дослідного відділу

Науково-дослідний відділ випробувань інформаційно-вимірювальних систем та комплексів контролю

Тарас Мирославович Кравець, Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного

Викладач

Кафедра комплексів та приладів артилерійської розвідки

Ірина Анатоліївна Хижняк, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Кандидат технічних наук

Кафедра тактики радіотехнічних військ

Назар Миколайович Шамрай, Військовий інститут Київського національного університету імені Тараса Шевченка

Старший науковий співробітник

Відділ військово-технічних та інформаційних досліджень

Посилання

  1. Primatesta, S., Rizzo, A., la Cour-Harbo, A. (2019). Ground Risk Map for Unmanned Aircraft in Urban Environments. Journal of Intelligent & Robotic Systems, 97 (3-4), 489–509. doi: https://doi.org/10.1007/s10846-019-01015-z
  2. Wang, H., Cheng, H., Hao, H. (2020). The Use of Unmanned Aerial Vehicle in Military Operations. Lecture Notes in Electrical Engineering, 939–945. doi: https://doi.org/10.1007/978-981-15-6978-4_108
  3. Drones Vs. Satellites for the Agri-Sector Use. Available at: https://eos.com/blog/drones-vs-satellites/
  4. Ruwaimana, M., Satyanarayana, B., Otero, V., M. Muslim, A., Syafiq A., M., Ibrahim, S. et. al. (2018). The advantages of using drones over space-borne imagery in the mapping of mangrove forests. PLOS ONE, 13 (7), e0200288. doi: https://doi.org/10.1371/journal.pone.0200288
  5. Military Imaging and Surveillance Technology (MIST) (Archived). Available at: https://www.darpa.mil/program/military-imaging-and-surveillance-technology
  6. Ruban, I., Khudov, H. (2019). Swarm Methods of Image Segmentation. Studies in Computational Intelligence, 53–99. doi: https://doi.org/10.1007/978-3-030-35480-0_2
  7. Llano, E. G., Roig, D. O., Cabrera, Y. C. (2018). Unsupervised Segmentation of Agricultural Crops in UAV RGB Images. Revista Cubana de Ciencias Informáticas, 12 (4), 17–28.
  8. Kinahan, J., Smeaton, A. F. (2021). Image Segmentation to Identify Safe Landing Zones for Unmanned Aerial Vehicles. Proceedings of the 29th Irish Conference on Artificial Intelligence and Cognitive Science AICS'2021. doi: https://doi.org/10.48550/arXiv.2111.14557
  9. Pap, M., Kiraly, S., Moljak, S. (2019). Investigating the usability of uav obtained multispectral imagery in tree species segmentation. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W18, 159–165. doi: https://doi.org/10.5194/isprs-archives-xlii-2-w18-159-2019
  10. Treboux, J., Genoud, D. (2018). Improved Machine Learning Methodology for High Precision Agriculture. 2018 Global Internet of Things Summit (GIoTS). doi: https://doi.org/10.1109/giots.2018.8534558
  11. Parsons, M., Bratanov, D., Gaston, K., Gonzalez, F. (2018). UAVs, Hyperspectral Remote Sensing, and Machine Learning Revolutionizing Reef Monitoring. Sensors, 18 (7), 2026. doi: https://doi.org/10.3390/s18072026
  12. Lin, Z., Doyog, N. D., Huang, S.-F., Lin, C. (2021). Segmentation and Classification of UAV-based Orthophoto of Watermelon Field Using Support Vector Machine Technique. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. doi: https://doi.org/10.1109/igarss47720.2021.9553715
  13. Miyamoto, H., Momose, A., Iwami, S. (2018). UAV image classification of a riverine landscape by using machine learning techniques. Geophysical Research Abstracts, 20. EGU2018-5919.
  14. Son, J., Jung, I., Park, K., Han, B. (2015). Tracking-by-Segmentation with Online Gradient Boosting Decision Tree. 2015 IEEE International Conference on Computer Vision (ICCV). doi: https://doi.org/10.1109/ICCV.2015.350
  15. Huang, L., Song, J., Yu, X., Fang, L. (2019). Unmanned Aerial Vehicle Remote Sensing Image Segmentation Method by Combining Superpixels with multi-features Distance Measure. IOP Conference Series: Earth and Environmental Science, 234, 012022. doi: https://doi.org/10.1088/1755-1315/234/1/012022
  16. Zimudzi, E., Sanders, I., Rollings, N., Omlin, C. (2018). Segmenting mangrove ecosystems drone images using SLIC superpixels. Geocarto International, 34 (14), 1648–1662. doi: https://doi.org/10.1080/10106049.2018.1497093
  17. Xiang, S., Xu, J., Zhao, J., Li, Y., Zhang, S. (2015). A novel LBP-Mean shift segmentation algorithm for UAV remote sensing images based on LBP textural features and improved Mean shift algorithm. Proceedings of the 3rd International Conference on Mechatronics, Robotics and Automation. doi: https://doi.org/10.2991/icmra-15.2015.79
  18. Wang, H., Shen, Z., Zhang, Z., Xu, Z., Li, S., Jiao, S., Lei, Y. (2021). Improvement of Region-Merging Image Segmentation Accuracy Using Multiple Merging Criteria. Remote Sensing, 13 (14), 2782. doi: https://doi.org/10.3390/rs13142782
  19. Xiaohai, S., Yan, T., Han, F., Zhida, W., Xuewu, Z. (2020). Crop identification using UAV image segmentation. Second Target Recognition and Artificial Intelligence Summit Forum, 11427. doi: https://doi.org/10.1117/12.2552195
  20. Bhatnagar, S., Gill, L., Ghosh, B. (2020). Drone Image Segmentation Using Machine and Deep Learning for Mapping Raised Bog Vegetation Communities. Remote Sensing, 12 (16), 2602. doi: https://doi.org/10.3390/rs12162602
  21. Marcu, A., Licaret, V., Costea, D., Leordeanu, M. (2021). Semantics Through Time: Semi-supervised Segmentation of Aerial Videos with Iterative Label Propagation. Lecture Notes in Computer Science, 537–552. doi: https://doi.org/10.1007/978-3-030-69525-5_32
  22. Khudov, H., Makoveichuk, O., Butko, I., Gyrenko, I., Stryhun, V., Bilous, O. et. al. (2022). Devising a method for segmenting camouflaged military equipment on images from space surveillance systems using a genetic algorithm. Eastern-European Journal of Enterprise Technologies, 3 (9 (117)), 6–14. doi: https://doi.org/10.15587/1729-4061.2022.259759
  23. Khudov, H., Makoveichuk, O., Khizhnyak, I., Oleksenko, O., Khazhanets, Y., Solomonenko, Y. et. al. (2022). Devising a method for segmenting complex structured images acquired from space observation systems based on the particle swarm algorithm. Eastern-European Journal of Enterprise Technologies, 2 (9 (116)), 6–13. doi: https://doi.org/10.15587/1729-4061.2022.255203
  24. Khudov, H., Ruban, I., Makoveichuk, O., Pevtsov, H., Khudov, V., Khizhnyak, I. et. al. (2020). Development of methods for determining the contours of objects for a complex structured color image based on the ant colony optimization algorithm. EUREKA: Physics and Engineering, 1, 34–47. doi: https://doi.org/10.21303/2461-4262.2020.001108
  25. Ruban, I., Khudov, H., Makoveichuk, O., Khizhnyak, I., Lukova-Chuiko, N., Pevtsov, H. et. al. (2019). Method for determining elements of urban infrastructure objects based on the results from air monitoring. Eastern-European Journal of Enterprise Technologies, 4 (9 (100)), 52–61. doi: https://doi.org/10.15587/1729-4061.2019.174576
  26. De O. Bastos, L., Liatsis, P., Conci, A. (2008). Automatic texture segmentation based on k-means clustering and efficient calculation of co-occurrence features. 2008 15th International Conference on Systems, Signals and Image Processing. doi: https://doi.org/10.1109/iwssip.2008.4604387
  27. Hung, C.-C., Song, E., Lan, Y. (2019). Image Texture, Texture Features, and Image Texture Classification and Segmentation. Image Texture Analysis, 3–14. doi: https://doi.org/10.1007/978-3-030-13773-1_1
  28. Tian, Y., Li, Y., Liu, D., Luo, R. (2016). FCM texture image segmentation method based on the local binary pattern. 2016 12th World Congress on Intelligent Control and Automation (WCICA). doi: https://doi.org/10.1109/wcica.2016.7578571
  29. Madushan, D. (2017). Introduction to K-means Clustering. Available at: https://medium.com/@dilekamadushan/introduction-to-k-means-clustering-7c0ebc997e00
  30. Thrun, M. C. (2018). Approaches to Cluster Analysis. Projection-Based Clustering through Self-Organization and Swarm Intelligence, 21–31. doi: https://doi.org/10.1007/978-3-658-20540-9_3
  31. Morissette, L., Chartier, S. (2013). The k-means clustering technique: General considerations and implementation in Mathematica. Tutorials in Quantitative Methods for Psychology, 9 (1), 15–24. doi: https://doi.org/10.20982/tqmp.09.1.p015
  32. Pérez-Ortega, J., Nely Almanza-Ortega, N., Vega-Villalobos, A., Pazos-Rangel, R., Zavala-Díaz, C., Martínez-Rebollar, A. (2020). The K-Means Algorithm Evolution. Introduction to Data Science and Machine Learning. doi: https://doi.org/10.5772/intechopen.85447
  33. Kumar, J. M., Nanda, R., Rath, R. K., Rao, G. T. (2020). Image Segmentation using K-means Clustering. Journal of Advanced Science, 29 (6s), 3700–3704. Available at: http://sersc.org/journals/index.php/IJAST/article/view/23282
  34. Anfyorov, M. A. (2019). Genetic clustering algorithm. Russian Technological Journal, 7 (6), 134–150. doi: https://doi.org/10.32362/2500-316x-2019-7-6-134-150
  35. Oleksenko, O., Khudov, H., Petrenko, K., Horobets, Y., Kolianda, V., Solomonenko, Y. (2021). The Development of the Method of Radar Observation System Construction of the Airspace on the Basis of Genetic Algorithm. International Journal of Emerging Technology and Advanced Engineering, 11 (8), 23–30. doi: https://doi.org/10.46338/ijetae0821_04
  36. Ukraina: Video. Available at: https://t.me/+2ACsehbN8HI2M2Iy
  37. Beaubien, J. (2022). In the Russia-Ukraine war, drones are one of the most powerful weapons. Available at: https://www.npr.org/2022/07/30/1114024870/russia-ukraine-war-drones
  38. Ruban, I., Khudov, V., Makoveichuk, O., Khudov, H., Khizhnyak, I. (2018). A Swarm Method for Segmentation of Images Obtained from On-Board Optoelectronic Surveillance Systems. 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T). doi: https://doi.org/10.1109/infocommst.2018.8632045
  39. Khudov, G. V. (2003). Features of optimization of two-alternative decisions by joint search and detection of objects. Problemy Upravleniya I Informatiki (Avtomatika), 5, 51–59. Available at: https://www.researchgate.net/publication/291431400_Features_of_optimization_of_two-alternative_decisions_by_joint_search_and_detection_of_objects
  40. Khudov, H., Makoveichuk, O., Misiuk, D., Pievtsov, H., Khizhnyak, I., Solomonenko, Y. (2022). Devising a method for processing the image of a vehicle's license plate when shooting with a smartphone camera. Eastern-European Journal of Enterprise Technologies, 1 (2 (115)), 6–21. doi: https://doi.org/10.15587/1729-4061.2022.252310

##submission.downloads##

Опубліковано

2022-08-31

Як цитувати

Рубан, І. В., Худов, Г. В., Маковейчук, О. М., Худов, В. Г., Калімулін, Т. М., Глухов, С. І., Аркушенко, П. Л., Кравець, Т. М., Хижняк, І. А., & Шамрай, Н. М. (2022). Методи сегментування зображень з безпілотних літальних апаратів на основі k-means та генетичного алгоритму. Eastern-European Journal of Enterprise Technologies, 4(9(118), 30–40. https://doi.org/10.15587/1729-4061.2022.263387

Номер

Том 4 № 9(118) (2022): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2022 Igor Ruban, Hennadii Khudov, Oleksandr Makoveichuk, Vladyslav Khudov, Temir Kalimulin, Sergey Glukhov, Pavlo Arkushenko, Taras Kravets, Irina Khizhnyak, Nazar Shamrai

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.